科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对不同数控机床热误差建模中温度关键点的选择和优化问题，提出有效减少温度测点并提高热误差预测精度的新方法.所提方法通过建立各个温度信号序列之间的相关性和差异性，对温度测点进行有效分类和选择.在系统聚类的基础上，将变量间的相关系数与欧氏距离矩阵进行权重赋值后加以融合，以优化各测点之间的共线性.利用灰色关联分析判断测点与热误差间的紧密程度并提取各类子集中的最优测点，以优化后的测点为输入构建基于支持向量回归的热误差预测模型.为了确定权重系数、聚类数、支持向量回归的参数，采用遗传算法进行参数寻优得到最优的预测模型.在多台机床上进行实验，列举出3台不同型号机床的验证分析结果，使用所提方法的预测均方根误差与原始测点的相比分别下降了24%、71%和62%.结果表明，所提方法在不同机床上均能实现在大幅减少传感器数量的前提下有效提高热误差模型预测精度；所提方法具有良好的通用性，与其他方法相比，所提方法的预测性能更强.
-
单位衢州学院; 浙江工业大学
